TensorFlow目标检测续训时fine_tune_checkpoint_type参数设置疑问

你对三个fine_tune_checkpoint_type参数的理解完全正确：

• classification：仅加载ImageNet预训练的分类主干权重，检测相关的特征增强模块、预测头都需要从零训练，适合从分类模型转训练检测模型的场景
• detection：加载预训练检测模型的全部特征提取器权重，只跳过和类别、检测框相关的预测头，适合自定义标签体系的检测任务冷启动
• full：加载模型所有权重，仅适用于待训练任务和预训练任务的标签体系、模型结构完全一致的场景，否则会出现参数形状不匹配的报错。

续训配置说明 #

你已经在自定义数据集上训练了25000步，此时生成的 checkpoint 已经包含了你训练好的特征提取器、自定义预测头的全部权重，续训时必须做以下调整，才不会丢失已有训练效果：

1. 将fine_tune_checkpoint参数指向你自己训练输出的最新 checkpoint 文件（比如model.ckpt-25000）
2. 必须将fine_tune_checkpoint_type改为full，不能继续保留detection配置

如果继续保留detection配置，加载 checkpoint 时会直接跳过你已经训练了25000步的预测头权重，预测头会回到随机初始化状态，相当于丢失了所有预测头的训练成果，只有特征提取器的权重会被正常加载。
只要你续训时没有修改标签的类别数量、模型结构，用full配置就不会出现参数不匹配问题，可以完整承接之前的训练进度。

内容的提问来源于stack exchange，提问作者Araw